Cuando piensa en el procesamiento del lenguaje natural (PNL), tiende a pensar en asistentes de lenguaje como Alexa y Siri. Si bien la interacción hombre-máquina ha recorrido un largo camino, solo rasca la superficie de lo que la tecnología puede hacer. De hecho, el uso más eficaz de la PNL no implica ningún lenguaje.
Pero comencemos con la definición de PNL. La tecnología es un subconjunto de la inteligencia artificial (IA) y el aprendizaje automático (ML) que se centra en permitir que las computadoras procesen y comprendan el lenguaje humano. Aunque el lenguaje es uno de ellos, el avance más poderoso de la PNL radica en su capacidad para analizar el texto escrito.
Por lo tanto, la PNL se lleva a cabo principalmente entre bastidores. Pero la gente interactúa con él más de lo que cree. Desde hospitales hasta servicios financieros y bufetes de abogados, la PNL admite gran parte de la lectura, escritura y análisis de datos que se utilizan para administrar estos servicios. Incluso como una tecnología joven, se ha establecido en la empresa en los últimos años.
¿Qué sigue para la PNL?
Todos los indicios apuntan a que este crecimiento continúa. Incluso en medio de la pandemia mundial, el gasto en PNL aumentó mientras que el gasto general en TI se desplomó. Las inversiones en PNL han continuado por este camino este año. Según una encuesta reciente de la industria, el 93% de los líderes tecnológicos dijeron que su presupuesto de PNL ha aumentado en al menos un 10-30% en comparación con 2020.
2021 fue un año prometedor para la PNL. Los casos de uso han ayudado a los usuarios con todo, desde identificar noticias falsas y contenido tóxico en Internet hasta acelerar los ensayos clínicos a través de una mejor selección de candidatos. La PNL también ha demostrado su eficacia en industrias más allá de los sectores de la salud y los medios de comunicación.
Sin embargo, hay varios factores que pueden llevar ese crecimiento al siguiente nivel en 2022. El software sin código, los avances en las implementaciones a gran escala y los enfoques multimodales de la PNL contribuirán significativamente a su crecimiento durante el próximo año. Este es el por qué:
El código bajo es genial
El código bajo requiere poca o ninguna experiencia en codificación para crear una aplicación. Como era de esperar, las soluciones de código bajo tuvieron un momento el año pasado. Simplificar la PNL es una forma segura de garantizar un crecimiento continuo en esta área. Permite a los profesionales de todos los niveles utilizar la tecnología. En resumen, la ejecución de muchos de los modelos de aprendizaje profundo más complejos ahora se puede reducir a una sola línea de código Python.
Para los novatos en PNL, esto reduce la barrera de entrada. La capacitación formal y la experiencia práctica con bibliotecas básicas de PNL, aprendizaje profundo y aprendizaje por transferencia solían ser un requisito. Ahora cualquiera puede comenzar con un conocimiento básico de la tecnología.
Esto no solo es beneficioso para los novatos. Para los científicos de datos, la simplificación permite un nivel de automatización que les permite concentrarse en tareas más importantes. Esto es cada vez más importante a medida que persiste la escasez de talento en IA. Las soluciones de código bajo tienen ventajas en todas partes y, afortunadamente, vemos más de ellas todos los días.
La IA sin código se está convirtiendo en una realidad
En 2022, nos basaremos en la tendencia de código bajo con software sin código. Esto hace que la IA y el aprendizaje automático sean más accesibles para todos. Al poner más poder en manos de expertos en dominios, elimina la necesidad de un científico de datos y democratiza aún más la PNL. Ya podemos ver que esto está sucediendo.
Por ejemplo, considere la posibilidad de crear un sitio web. Lo que solía requerir habilidades de programación ahora puede ser asumido en gran medida por un diseñador gráfico. De esta manera, no se filtra ningún código a los usuarios fuera del título de programación. También ayudará a perfeccionar la PNL para casos de uso empresarial específicos. Después de todo, cuando está construyendo modelos de inteligencia artificial para el cuidado de la salud para detectar COVID-19 en una radiografía de pulmón, desea que un médico pese más que un científico de datos.
El cambio de significado de científico de datos a experto en dominios será gradual, pero veremos opciones sin código mucho más fáciles de aplicar en el próximo año para facilitar esto. Esto es similar a la diferencia entre pagar a los programadores para que escriban código y usar Excel. No-Code se creó para un grupo diferente de usuarios no técnicos. Finalmente, existe una clase de herramientas que le permitirán familiarizarse con la PNL.
Ajuste los modelos para usarlos a escala
En la encuesta anterior, los líderes en tecnología citaron la precisión como el factor más importante al considerar una solución de PNL. Sin embargo, el nivel de dificultad para ajustar los modelos fue uno de los mayores desafíos citados por los líderes tecnológicos. Desafortunadamente, el ajuste continuo de los modelos es fundamental para obtener resultados precisos. Igualmente importante es que no se degraden con el tiempo.
El cuidado de la salud es una industria en la que el monitoreo y la optimización continuos son particularmente importantes. La tecnología asume que reparar a una persona es como reparar un automóvil. Cuando algo se rompe, simplemente puede escanear un artículo científico o una revista médica y aplicar una solución para solucionar el problema. Pero el hombre no es tan simple. Muchos factores influyen. El historial médico, los determinantes sociales de la salud, cómo su médico interpreta sus resultados en comparación con otros, son solo algunos.
Al permitir que los expertos en la materia, en este caso los profesionales médicos, adapten modelos, les permitimos adaptar correctamente los modelos a situaciones específicas. Muy a menudo, los modelos deben ajustarse por separado a una escala mayor. Esto se debe a que los modelos funcionan de manera diferente en diferentes entornos de producción. Incluso si ambos se encuentran en un entorno clínico.
En las noticias recientes, un estudio retrospectivo en JAMA Internal Medicine encontró que un modelo que predecía la sepsis del paciente no logró identificar a dos tercios de los afectados. Si bien algunos proveedores informaron haber tenido éxito con la herramienta, los investigadores de la Facultad de Medicina de la Universidad de Michigan encontraron que los resultados eran significativamente menos precisos cuando se aplicaban a sus propios pacientes.
Considerar cómo funcionan los modelos en diferentes entornos para diferentes poblaciones puede marcar la diferencia entre la vida y la muerte en la atención médica. Pero también es importante en otras industrias. La buena noticia es que estamos mejorando cada vez más en esto. Ahora permitimos a los usuarios implementar modelos a gran escala con mayor rapidez y precisión que nunca.
Las soluciones multimodales van más allá de la PNL al siguiente nivel
El lenguaje humano no es blanco y negro. Interpretamos significados del lenguaje escrito, lenguaje, imágenes y más. Por lo tanto, necesitamos técnicas de aprendizaje automático que puedan "leer", "ver" y "oír" al mismo tiempo. La clave de estos casos de uso son las técnicas de aprendizaje multimodal que utilizan diferentes modalidades de datos mediante la combinación de herramientas como PNL y Computer Vision.
Si bien los modelos de PNL son excelentes para procesar texto, muchas aplicaciones de Real Word utilizan documentos de formatos más complejos. Por ejemplo, los sistemas de atención médica a menudo incluyen resultados visuales de laboratorio, informes de secuenciación, formularios de estudios clínicos y otros documentos escaneados. Cuando la PNL se utiliza únicamente para comprender documentos, el diseño y el estilo se ven comprometidos.
Sin embargo, con los avances recientes en el aprendizaje multimodal, los modelos pueden aprender tanto del texto en los documentos a través de la PNL como del diseño visual a través de tecnologías como la visión por computadora. Combinar múltiples tecnologías en una solución particular para obtener mejores resultados es el núcleo del aprendizaje multimodal. Estamos empezando a ver más de este cambio de la investigación a la producción.
2021 fue un año excepcional para la PNL y podemos esperar que continúe en el nuevo año. Con herramientas más fáciles de usar, resultados más precisos, implementaciones más grandes y la capacidad de combinar y combinar con otras potentes tecnologías de inteligencia artificial, será interesante ver hacia dónde vamos en 2022.
Las implementaciones posteriores sin código, a gran escala y los enfoques multimodales definirán la PNL en 2022 apareció por primera vez en ReadWrite.
Comentarios
Publicar un comentario